离散忆阻耦合双神经元模型设计与神经形态计算应用
1. 离散忆阻耦合双神经元模型的设计与实现
在神经形态计算领域，模拟大脑突触可塑性一直是研究热点。2015年，加州大学团队首次将忆阻器引入神经网络，验证了其作为电子突触的可行性。我们基于这一思路，构建了离散忆阻耦合异质双神经元网络(MHDNN)，其核心创新在于将连续模型离散化，同时引入双神经元异质耦合结构。
1.1 离散忆阻器建模
忆阻器的离散化处理采用前向欧拉差分方法，建立磁通控制模型：
Vₙ = tanh(φₙ)Iₙ φₙ₊₁ = φₙ + Iₙ其中Vₙ、Iₙ、φₙ分别表示第n次迭代时的电压、电流和磁通。通过正弦输入验证，该模型展现出典型的"8"字形滞回曲线（图1），符合忆阻器的三大指纹特征：
- 电压-电流曲线随频率变化呈现收缩特性
- 不同初始磁通值下曲线呈现非线性变化
- 幅值变化时曲线保持拓扑结构不变
实际硬件实现时需注意：磁通初始值φ₀建议设置在[-1,1]范围内，避免tanh函数进入饱和区导致非线性特性丧失。
1.2 神经元模型选择
我们采用两种经典的一维离散神经元模型构建异质耦合：
- Chialvo神经元：xₙ₊₁ = a/(1+xₙ²) + h
- Rulkov神经元：yₙ₊₁ = cyₙ²e^(b-yₙ) + k
选择依据在于：
- 一维模型计算复杂度低（相比Hodgkin-Huxley模型降低90%运算量）
- 仍能呈现丰富的放电模式（图2）
- 参数调节范围宽（a∈[-5,5], h∈[-3,3]等）
1.3 MHDNN系统构建
耦合系统方程如下：
xₙ₊₁ = a/(1+xₙ²) + m·tanh(zₙ)·(yₙ-xₙ) + h yₙ₊₁ = cyₙ²e^(b-yₙ) + m·tanh(zₙ)·(yₙ-xₙ) + 3 zₙ₊₁ = zₙ + (yₙ-xₙ)其中关键参数：
- m：耦合强度（建议初始值0.1-0.5）
- z：忆阻器内部磁通状态
- a,b,c,h：神经元特异性参数
硬件连接示意图（图3）显示，忆阻器作为"电子突触"连接两个异质神经元，其阻值变化通过tanh(zₙ)实现动态调节。
2. 动力学行为分析与验证
2.1 稳定性分析
通过雅可比矩阵特征值分析发现系统存在三类平衡点：
- 不稳定节点(UNP)：|λ₂,₃|>1
- 不稳定鞍点(USP)：λ₂>1且λ₃<1
- 稳定焦点(SFP)：|λ₂,₃|<1
图4显示当参数a<0时系统存在无限多个稳定点，a=0时发生超临界分岔。这对应神经元的两种状态：
- a<0：静息态（稳定）
- a>0：激活态（可能产生癫痫样放电）
2.2 参数空间探索
固定初始条件(0.1,0.1,0.1)，我们系统扫描了参数空间：
Case 1：a∈[-3,-1]时（图5）：
- [-3,-1.89]：超混沌态（LE₁=0.325, LE₂=0.326）
- [-1.89,-1]：混沌与准周期态交替出现
Case 2：耦合强度m∈[0,0.35]时（图6）：
- m<0.12：双涡卷超混沌吸引子
- m>0.15：吸引子合并为单涡卷结构
2.3 放电模式分类
通过调节(z₀,m,c)参数组合，我们观察到8类典型放电模式（图9）：
- 超混沌爆发（LE>0.32）
- 峰后超混沌振荡
- 瞬态混沌爆发
- 准周期尖峰
- 混沌尖峰（LE≈0.7）
- 周期爆发（LE≈-0.04）
实操提示：要实现特定放电模式，建议先固定b=3、h=1.3，通过调节a∈[-3.4,-2]和c∈[-1.5,1]寻找目标状态。
3. 神经元同步现象研究
3.1 同步量化方法
采用Pearson相关系数(r)和互相关函数(Rxy)量化同步程度：
r = Σ(xₙ-x̄)(yₙ-ȳ)/√[Σ(xₙ-x̄)²Σ(yₙ-ȳ)²] Rxy(τ) = Σx(n)y(n+τ)/√[Σx(n)²Σy(n)²]3.2 典型同步场景
Case 1：静息神经元与爆发神经元耦合（表III）
- 反常现象：m=-0.4时r→0.997（强同步）
- 机理分析：负耦合导致抑制性同步
Case 2：高频尖峰与快速静息神经元耦合（图11）
- m=0.2时r=0.932（相位同步）
- 互相关函数呈现周期性（τ≈15迭代步）
4. 硬件实现与加密应用
4.1 STM32硬件平台实现
采用STM32F407VET6芯片（168MHz主频）实现：
- 浮点运算使用FPU加速
- AD5689 DAC输出（16bit精度）
- 时序优化：单次迭代耗时仅2.7μs
图12显示硬件捕获的吸引子与MATLAB仿真完全一致，验证了工程可行性。
4.2 图像加密算法设计
算法流程（图13）包含三个核心模块：
1. 混沌密钥生成（CKG）
- 迭代1000次消除瞬态
- 生成4个密钥流：
- X,X1,X2：置乱序列（mod运算确保[1,MN]范围）
- SBT：扩散序列（模256+1保证字节范围）
2. 动态S盒构造（DSB）
- 基于混沌序列排序生成初始S盒
- 双重交换增强非线性（算法2行9-11）
3. 加密流程（CIE）
- 正向置乱：交换像素位置（算法3行4-6）
- 双向扩散：
- 前向：B(i)=A(i)⊕[B(i-1)⊕S(SBT(i))]
- 逆向：Ctmp(i)=B(i)⊕[Ctmp(i+1)⊕S(SBT(i))]
- 反向置乱：二次混淆
4.3 安全性能测试
密钥空间：8个参数×16位精度→10¹²⁸ > 2¹⁰⁰
统计特性：
- 直方图均衡化（图14-16）
- 相关系数降至0.006以下（表VI）
- 信息熵达7.9998（表VII）
抗差分攻击：
- NPCR>99.6%
- UACI>33.4%
- 优于文献[36-40]的对比算法
5. 多场景警务加密方案
针对实际应用需求，我们开发了两种硬件方案：
移动端方案：
- 基于STM32H743（550MHz）
- 加密速度：1280×720图像@15fps
- 功耗：<1.2W（锂电池供电）
固定端方案：
- Xilinx Zynq UltraScale+ MPSoC
- 支持4K视频实时加密
- 集成AES-256增强模式
实际部署中发现：当环境温度超过60℃时，忆阻器参数会漂移约5%，建议在加密芯片增加温度补偿电路。